論文の概要: Source Preference in the Wild: How LLM Agents Favor Items by Source, and How to Reduce It

• arxiv url: http://arxiv.org/abs/2610.03195v1
• Date: Fri, 02 Oct 2026 12:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.35818
• Title: Source Preference in the Wild: How LLM Agents Favor Items by Source, and How to Reduce It
• Title（参考訳）: 野生における資源選好: LLMエージェントはどのようにソースごとにアイテムを好み、それを減らすか
• Abstract要約: 12のエージェントモデルを用いたエンドツーエンド検索におけるソースの選好について検討した。 それぞれのモデルがいくつかのソースを好んでいて、すべてのドメインで他のモデルを避けているのが分かります。 この好みは、要求を満足する項目をはるかに上回る。
• 参考スコア（独自算出の注目度）: 13.781213500563057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As LLM agents decide on users' behalf which product to buy, which hotel to book, or which paper to cite, a preference for items from certain sources (the sites or services they come from) shapes what users receive and which sources are selected. We study source preference in end-to-end search with 12 agent models across three domains. Comparing items from different sources that satisfy the same requirements at the same position, we find that each model prefers some sources and avoids others in every domain, largely agreeing on which. This preference can outweigh how well items satisfy the request: an item satisfying one requirement fewer is selected about two-thirds of the time when it comes from a preferred source and the better one from a dispreferred source, but almost never in the reverse case. The information identifying an item's source affects selection by itself: hiding it weakens the preference, and relabeling an item with a preferred source raises its selection rate. We test two routes to this preference: training that rewards better items can make a source a shortcut for requirement satisfaction, and missing information can trigger preconceptions about the source. Supplying missing information or a prompt countering these preconceptions reduces source preference.
• Abstract（参考訳）: LLMエージェントは、どの商品を購入するか、どのホテルを予約するか、どの論文を引用するかをユーザの代理として決定するので、特定のソース(サイトやサービス)からのアイテムの好みは、ユーザが受け取るもの、どのソースを選択するかを形作る。 3つの領域にまたがる12のエージェントモデルを用いて、エンドツーエンド検索におけるソースの嗜好について検討する。 同じ位置で同じ要件を満たす異なるソースからのアイテムを比較すると、各モデルがいくつかのソースを好んでおり、どのドメインにいるかにほぼ同意している。 この選好は、要求を満足する項目をはるかに上回る: 1つの要件を満たす項目が、好まれるソースから来たときの3分の2ほど選択され、好ましくないソースから良い項目が選択されるが、逆の場合はほとんど選択されない。 アイテムのソースを識別する情報は、それ自体が選択に影響を与える:それを隠すことで好みを弱め、好ましいソースでアイテムを再現することは、その選択率を高める。 より良いアイテムを報酬するトレーニングは、ソースを要求満足度のためのショートカットにし、不足した情報がソースに関する先入観を引き起こすことができる。 不足情報を供給したり、これらの先入観に対処するプロンプトは、ソースの好みを低下させる。

関連論文リスト

• On the Role of Citations in Preference Data [23.740706807692632]
  本稿では,科学的質問応答の文脈における人間の判断と4つのオープンソースLCMの嗜好における引用の役割について検討する。 我々は、人間はより多様な引用を好むが、全体としては少ないこと、LLMは人間と比較して引用に関連する好みを示すことを発見した。
  論文  参考訳（メタデータ） (2026-07-06T18:17:27Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• Towards Corpus-Scale Discovery of Selection Biases in News Coverage: Comparing What Sources Say About Entities as a Start [65.28355014154549]
  本稿では,大規模ニュースコーパスにおけるニュースコンテンツから直接メディア選択バイアスのパターンを発見するために,スケーラブルなNLPシステムを構築する上での課題について検討する。 我々は,世界519のニュースソースから180万件のニュース記事のコーパスであるNELA-2020のケーススタディを通じて,フレームワークの能力を示す。
  論文  参考訳（メタデータ） (2023-04-06T23:36:45Z)
• Diversified Recommendations for Agents with Adaptive Preferences [9.578114969867258]
  エージェントが選択するコンテンツのメニューを推薦するプラットフォームを訪れる場合、アイテムの選択は特定の好みだけでなく、プラットフォームとの事前の関わりにも依存する。 RecommenderはAgensに$k$アイテムのメニューを提示し、未知の好みモデルに従ってメニュー内の1つのアイテムを選択する。 その後、レコメンダーはエージェントの選択したアイテムを観察し、アイテムの報酬の盗聴フィードバックを受け取る。 選択したアイテムからの報酬の最適化に加えて、リコメンダーは選択したアイテムの合計分布が十分に高いエントロピーを持つことを保証する必要がある。
  論文  参考訳（メタデータ） (2022-09-20T16:12:22Z)
• Source data selection for out-of-domain generalization [0.76146285961466]
  ソースデータセットの貧弱な選択は、ターゲットのパフォーマンスを低下させる可能性がある。 マルチバンド理論とランダム探索に基づく2つのソース選択手法を提案する。 提案手法は, 利用可能なサンプルのランダムな選択よりも優れた再重み付けされたサブサンプルの存在を診断するものであるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-04T14:37:31Z)
• "Don't quote me on that": Finding Mixtures of Sources in News Articles [85.92467549469147]
  各ソースのtextitaffiliationとtextitroleに基づいてソースのオントロジーラベリングシステムを構築します。 これらの属性を名前付きソースに推論し、ニュース記事をこれらのソースの混合物として記述する確率モデルを構築します。
  論文  参考訳（メタデータ） (2021-04-19T21:57:11Z)
• Unsupervised Multi-source Domain Adaptation Without Access to Source Data [58.551861130011886]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから知識を転送することで、ラベル付きドメインの予測モデルを学ぶことを目的としている。 本稿では,ソースモデルと適切な重み付けを自動的に組み合わせ,少なくとも最良のソースモデルと同等の性能を発揮する新しい効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-05T10:45:12Z)
• MISO-wiLDCosts: Multi Information Source Optimization with Location Dependent Costs [0.0]
  本稿では,複数の情報ソースに対するブラックボックス最適化について述べる。 i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(ii) Augmented Gaussian Processは、各ソースの位置依存コストをモデル化する。
  論文  参考訳（メタデータ） (2021-02-09T17:04:17Z)
• Multi-source Attention for Unsupervised Domain Adaptation [15.900069711477542]
  ソース選択をアテンション学習問題としてモデル化し、特定のターゲットインスタンスのソースに対してアテンションを学習する。 この目的のために、まずソース固有の分類モデルと、ソースとターゲットドメイン間の関連性マップを独立に学習する。 次に、ソース固有のモデルの予測を集約するソースについて、注目度を学習する。
  論文  参考訳（メタデータ） (2020-04-14T15:51:02Z)
• Improving Candidate Generation for Low-resource Cross-lingual Entity Linking [81.41804263432684]
  XEL(クロスランガル・エンティティ・リンク)は、ソース言語テキストから抽出された参照をターゲット言語知識ベース(KB)で検索するタスクである。 本稿では,(1)エンティティ参照とKBエントリの切断を減らすこと,(2)低リソースシナリオへのモデルの堅牢性を改善すること,の3つの改良を提案する。
  論文  参考訳（メタデータ） (2020-03-03T05:32:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。